AutoResearchClaw/docs/README_RU.md at main · TarahAssistant/AutoResearchClaw

Расскажите идею. Получите статью. Полностью автономно.

Напишите OpenClaw: «Исследуй X» → готово.

🇺🇸 English · 🇨🇳 中文 · 🇯🇵 日本語 · 🇰🇷 한국어 · 🇫🇷 Français · 🇩🇪 Deutsch · 🇪🇸 Español · 🇧🇷 Português · 🇷🇺 Русский · 🇸🇦 العربية

⚡ Одной строкой

pip install -e . && researchclaw run --topic "Your research idea here" --auto-approve

🤔 Что это такое?

У вас есть идея. Вы хотите статью. Вот и всё.

AutoResearchClaw берёт исследовательскую тему и автономно создаёт полноценную академическую статью — с реальной литературой из arXiv и Semantic Scholar (мультиисточниковый поиск, приоритет arXiv для избежания ограничений по частоте запросов), аппаратно-адаптивными песочными экспериментами (автоопределение GPU/MPS/CPU), статистическим анализом, рецензированием и готовым для конференции LaTeX (ориентир — 5 000–6 500 слов для NeurIPS/ICML/ICLR). Без ручного контроля. Без копирования между инструментами.

📄	`paper_draft.md`	Полная академическая статья (Введение, Обзор литературы, Метод, Эксперименты, Результаты, Заключение)
📐	`paper.tex`	Готовый для конференции LaTeX (шаблоны NeurIPS / ICLR / ICML)
📚	`references.bib`	Реальные BibTeX-ссылки из Semantic Scholar и arXiv — автоматическая очистка для соответствия встроенным цитатам
🔍	`verification_report.json`	4-уровневая верификация целостности и релевантности цитирования (arXiv, CrossRef, DataCite, LLM)
🧪	`experiment runs/`	Сгенерированный код + результаты песочницы + структурированные JSON-метрики
📊	`charts/`	Автоматически сгенерированные сравнительные графики с полосами ошибок и доверительными интервалами
📝	`reviews.md`	Мультиагентное рецензирование с проверкой согласованности методологии и результатов
🧬	`evolution/`	Уроки для самообучения, извлечённые из каждого запуска
📦	`deliverables/`	Все итоговые материалы в одной папке — готовы к компиляции в Overleaf

Конвейер работает полностью автономно без вмешательства человека (если только вы не настроите этапы контроля для ручной проверки). Когда эксперименты завершаются ошибкой — система восстанавливается автоматически. Когда гипотезы не подтверждаются — она меняет направление.

🎯 Попробуйте

researchclaw run --topic "Agent-based Reinforcement Learning for Automated Scientific Discovery" --auto-approve

🧠 Чем он отличается

🔄 Цикл принятия решений PIVOT / REFINE

Конвейер работает не просто линейно. Этап 15 (RESEARCH_DECISION) оценивает результаты экспериментов относительно гипотез и принимает автономное решение:

PROCEED — результаты подтверждают гипотезы, продолжаем написание статьи
REFINE — результаты многообещающие, но требуют доработки; возврат к улучшению кода/параметров
PIVOT — обнаружена фундаментальная проблема; перезапуск с этапа генерации гипотез в новом направлении

Каждый цикл PIVOT/REFINE версионирует предыдущие артефакты (stage-08_v1/, stage-08_v2/, ...), поэтому ничего не теряется, а эволюция решений полностью отслеживаема.

🤖 Мультиагентная дискуссия

На критических этапах используется структурированный протокол дискуссии с участием нескольких «точек зрения» LLM:

Генерация гипотез — различные агенты предлагают и оспаривают идеи
Анализ результатов — оптимист, скептик и прагматик анализируют итоги
Рецензирование — проверка согласованности методологии и доказательств (заявляет ли статья о 50 испытаниях, когда код выполнил 5?)

🧬 Эволюция: самообучение между запусками

Каждый запуск конвейера извлекает детализированные уроки — не просто «ошибка», а почему она произошла:

Обоснование решений PIVOT/REFINE
Предупреждения времени выполнения из stderr экспериментов (например, RuntimeWarning: division by zero)
Аномалии метрик (NaN, Inf, одинаковые скорости сходимости)

Эти уроки сохраняются в хранилище JSONL с временным затуханием (период полураспада 30 дней) и внедряются как промпт-оверлеи в будущие запуски. Конвейер буквально учится на своих ошибках.

📚 База знаний

Каждый запуск формирует структурированную базу знаний (хранится в docs/kb/) с 6 категориями:

decisions/ — проектирование экспериментов, контрольные этапы, исследовательские решения, планирование ресурсов, стратегии поиска, архивы знаний
experiments/ — логи генерации кода, запуски экспериментов, итеративные улучшения
findings/ — верификация цитирования, анализ результатов, аналитические отчёты
literature/ — извлечение знаний, сбор литературы, результаты скрининга
questions/ — генерация гипотез, декомпозиция проблемы, инициализация темы
reviews/ — отчёты об экспорте/публикации, черновики статей, планы, ревизии, рецензии

🛡️ Сторожевой модуль Sentinel

Фоновый монитор качества, выявляющий проблемы, которые основной конвейер может пропустить:

Обнаружение ошибок времени выполнения — NaN/Inf в метриках, предупреждения stderr передаются LLM для целенаправленного исправления
Согласованность статьи и доказательств — реальный код экспериментов, результаты запусков и логи доработок включаются в рецензирование
Оценка релевантности цитирования — помимо проверки существования, LLM оценивает тематическую релевантность каждой ссылки
Контроль сходимости — обнаруживает эксперименты с фиксированным числом итераций и требует корректной ранней остановки
Валидация абляций — выявляет дублирующиеся/идентичные условия абляции и помечает некорректные сравнения
Защита от фабрикации — полностью блокирует написание статьи, когда эксперименты не дают метрик

🦞 Интеграция с OpenClaw

🦞	AutoResearchClaw — это сервис, совместимый с OpenClaw. Установите его в OpenClaw и запускайте автономные исследования одним сообщением — или используйте автономно через CLI, Claude Code или любой AI-ассистент для программирования.

🚀 Использование с OpenClaw (рекомендуется)

Если вы уже используете OpenClaw в качестве AI-ассистента:

1️⃣  Поделитесь URL репозитория GitHub с OpenClaw
2️⃣  OpenClaw автоматически читает RESEARCHCLAW_AGENTS.md → понимает конвейер
3️⃣  Скажите: "Research [ваша тема]"
4️⃣  Готово — OpenClaw клонирует, устанавливает, настраивает, запускает и возвращает результаты

Вот и всё. OpenClaw автоматически выполняет git clone, pip install, настройку конфигурации и запуск конвейера. Вы просто общаетесь в чате.

💡 Что происходит «под капотом»

OpenClaw читает RESEARCHCLAW_AGENTS.md → узнаёт роль исследовательского оркестратора
OpenClaw читает README.md → понимает установку и структуру конвейера
OpenClaw копирует config.researchclaw.example.yaml → config.yaml
Запрашивает ваш API-ключ LLM (или использует переменную окружения)
Выполняет pip install -e . + researchclaw run --topic "..." --auto-approve
Возвращает статью, LaTeX, эксперименты и цитаты

🔌 Мост OpenClaw (продвинутое использование)

Для более глубокой интеграции AutoResearchClaw включает систему мостовых адаптеров с 6 опциональными возможностями:

# config.arc.yaml
openclaw_bridge:
  use_cron: true              # ⏰ Запуск исследований по расписанию
  use_message: true           # 💬 Уведомления о прогрессе (Discord/Slack/Telegram)
  use_memory: true            # 🧠 Межсессионное сохранение знаний
  use_sessions_spawn: true    # 🔀 Параллельные подсессии для одновременных этапов
  use_web_fetch: true         # 🌐 Веб-поиск в реальном времени при обзоре литературы
  use_browser: false          # 🖥️ Сбор статей через браузер

Каждый флаг активирует типизированный протокол адаптера. Когда OpenClaw предоставляет эти возможности, адаптеры используют их без изменений в коде. Подробности см. в integration-guide.md.

🛠️ Другие способы запуска

Способ	Как
Автономный CLI	`researchclaw run --topic "..." --auto-approve`
Python API	`from researchclaw.pipeline import Runner; Runner(config).run()`
Claude Code	Читает `RESEARCHCLAW_CLAUDE.md` — просто скажите «Проведи исследование по [теме]»
OpenCode	Читает `.claude/skills/` — тот же интерфейс на естественном языке
Любой AI CLI	Предоставьте `RESEARCHCLAW_AGENTS.md` как контекст → агент автоматически загружается

🔬 Конвейер: 23 этапа, 8 фаз

Фаза A: Определение области          Фаза E: Выполнение экспериментов
  1. TOPIC_INIT                         12. EXPERIMENT_RUN
  2. PROBLEM_DECOMPOSE                  13. ITERATIVE_REFINE  ← самовосстановление

Фаза B: Поиск литературы             Фаза F: Анализ и решение
  3. SEARCH_STRATEGY                    14. RESULT_ANALYSIS    ← мультиагентный
  4. LITERATURE_COLLECT  ← реальный API 15. RESEARCH_DECISION  ← PIVOT/REFINE
  5. LITERATURE_SCREEN   [контроль]
  6. KNOWLEDGE_EXTRACT                  Фаза G: Написание статьи
                                        16. PAPER_OUTLINE
Фаза C: Синтез знаний                  17. PAPER_DRAFT
  7. SYNTHESIS                          18. PEER_REVIEW        ← проверка доказательств
  8. HYPOTHESIS_GEN    ← дискуссия      19. PAPER_REVISION

Фаза D: Проектирование экспериментов Фаза H: Финализация
  9. EXPERIMENT_DESIGN   [контроль]     20. QUALITY_GATE      [контроль]
 10. CODE_GENERATION                    21. KNOWLEDGE_ARCHIVE
 11. RESOURCE_PLANNING                  22. EXPORT_PUBLISH     ← LaTeX
                                        23. CITATION_VERIFY    ← проверка релевантности

Контрольные этапы (5, 9, 20) приостанавливают работу для подтверждения человеком или пропускаются с --auto-approve. При отклонении конвейер откатывается назад.

Циклы принятия решений: Этап 15 может запустить REFINE (→ Этап 13) или PIVOT (→ Этап 8) с автоматическим версионированием артефактов.

📋 Что делает каждая фаза

Фаза	Что происходит
A: Определение области	LLM декомпозирует тему в структурированное дерево задач с исследовательскими вопросами
A+: Аппаратное обеспечение	Автоопределение GPU (NVIDIA CUDA / Apple MPS / только CPU), предупреждение при ограниченных ресурсах, адаптация генерации кода
B: Литература	Мультиисточниковый поиск (приоритет arXiv, затем Semantic Scholar) реальных статей, скрининг по релевантности, извлечение карточек знаний
C: Синтез	Кластеризация находок, выявление пробелов в исследованиях, генерация проверяемых гипотез через мультиагентную дискуссию
D: Проектирование	Проектирование плана эксперимента, генерация аппаратно-адаптивного исполняемого Python-кода (уровень GPU → выбор пакетов), оценка потребности в ресурсах
E: Выполнение	Запуск экспериментов в песочнице, обнаружение NaN/Inf и ошибок времени выполнения, самовосстановление кода через целенаправленное исправление LLM
F: Анализ	Мультиагентный анализ результатов; автономное решение PROCEED / REFINE / PIVOT с обоснованием
G: Написание	План → посекционное написание (5 000–6 500 слов) → рецензирование (с проверкой согласованности методологии и доказательств) → ревизия с контролем объёма
H: Финализация	Контроль качества, архивирование знаний, экспорт LaTeX с конференционным шаблоном, верификация целостности и релевантности цитирования

🚀 Быстрый старт

Предварительные требования

🐍 Python 3.11+
🔑 Конечная точка API LLM, совместимая с OpenAI (GPT-4o, GPT-5.x или любой совместимый провайдер)

Установка

git clone https://github.com/aiming-lab/AutoResearchClaw.git
cd AutoResearchClaw
python3 -m venv .venv && source .venv/bin/activate
pip install -e .

Настройка

cp config.researchclaw.example.yaml config.arc.yaml

📝 Минимальная необходимая конфигурация

project:
  name: "my-research"

research:
  topic: "Your research topic here"

llm:
  base_url: "https://api.openai.com/v1"     # Любая конечная точка, совместимая с OpenAI
  api_key_env: "OPENAI_API_KEY"              # Имя переменной окружения с вашим ключом
  primary_model: "gpt-4o"                    # Любая модель, поддерживаемая вашей конечной точкой
  fallback_models: ["gpt-4o-mini"]
  s2_api_key: ""                             # Опционально: API-ключ Semantic Scholar для повышенных лимитов

experiment:
  mode: "sandbox"
  sandbox:
    python_path: ".venv/bin/python"

Запуск

# Установите ваш API-ключ
export OPENAI_API_KEY="sk-..."

# 🚀 Запуск полного конвейера
researchclaw run --config config.arc.yaml --auto-approve

# 🎯 Указание темы в командной строке
researchclaw run --config config.arc.yaml --topic "Transformer attention for time series" --auto-approve

# ✅ Проверка конфигурации
researchclaw validate --config config.arc.yaml

# ⏩ Возобновление с определённого этапа
researchclaw run --config config.arc.yaml --from-stage PAPER_OUTLINE --auto-approve

Результаты → artifacts/rc-YYYYMMDD-HHMMSS-<hash>/ с подкаталогом для каждого этапа.

Все пользовательские материалы автоматически собираются в единую папку deliverables/:

artifacts/rc-YYYYMMDD-HHMMSS-<hash>/deliverables/
├── paper_final.md             # Финальная статья (Markdown)
├── paper.tex                  # Готовый для конференции LaTeX
├── references.bib             # Верифицированная библиография BibTeX (с автоочисткой)
├── neurips_2025.sty           # Файл стиля конференции (автоматический выбор)
├── code/                      # Код экспериментов + requirements.txt
├── verification_report.json   # Отчёт о целостности цитирования
├── charts/                    # Визуализация результатов (сравнение условий, полосы ошибок)
└── manifest.json              # Индекс материалов с метаданными

Папка deliverables/ готова к компиляции — она включает конференционные файлы .sty и .bst, так что вы можете скомпилировать paper.tex напрямую с помощью pdflatex + bibtex или загрузить в Overleaf без дополнительных скачиваний.

✨ Ключевые возможности

📚 Мультиисточниковый поиск литературы

Этап 4 обращается к реальным академическим API — а не к галлюцинациям LLM. Использует стратегию приоритета arXiv для избежания ограничений Semantic Scholar.

arXiv API (основной) — препринты с реальными идентификаторами arXiv и метаданными, без ограничений по частоте запросов
Semantic Scholar API (вспомогательный) — реальные статьи с названиями, аннотациями, площадками, числом цитирований, DOI
Расширение запросов — автоматическая генерация более широких запросов (обзоры, бенчмарки, сравнительные варианты) для полного покрытия (30–60 ссылок)
Автоматическая дедупликация — DOI → arXiv ID → нечёткое сопоставление названий
Генерация BibTeX — корректные записи @article{cite_key, ...} с реальными метаданными
Трёхсостояный автоматический выключатель — CLOSED → OPEN → HALF_OPEN с экспоненциальным затуханием (никогда не отключается навсегда)
Постепенная деградация — сбой S2 не блокирует результаты arXiv; при отказе всех API используются результаты, дополненные LLM

from researchclaw.literature import search_papers

papers = search_papers("transformer attention mechanisms", limit=20)
for p in papers:
    print(f"{p.title} ({p.year}) — cited {p.citation_count}x")
    print(p.to_bibtex())

🔍 Верификация цитирования (Этап 23)

После написания статьи Этап 23 проверяет каждую ссылку на целостность и релевантность:

Уровень	Метод	Что проверяется
L1	arXiv API `id_list`	Статьи с arXiv ID — проверяет, что идентификатор действительно существует
L2	CrossRef `/works/{doi}` + откат на DataCite	Статьи с DOI — проверяет разрешение DOI и совпадение названия (DataCite обрабатывает DOI arXiv `10.48550`)
L3	Semantic Scholar + поиск по названию в arXiv	Все остальные — нечёткое сопоставление названий (сходство ≥0,80)
L4	Оценка релевантности LLM	Все верифицированные ссылки — оценка тематической релевантности для исследования

Каждая ссылка → VERIFIED ✅ · SUSPICIOUS ⚠️ · HALLUCINATED ❌ · SKIPPED ⏭️ · LOW_RELEVANCE 📉

Автоочистка: Галлюцинированные цитаты молча удаляются из текста статьи (без тегов [HALLUCINATED]). Библиографические записи без цитирования удаляются. Итоговый references.bib содержит только верифицированные и процитированные ссылки.

🖥️ Аппаратно-адаптивное выполнение

Этап 1 автоматически определяет возможности локального GPU и адаптирует весь конвейер:

Уровень	Определение	Поведение
Высокий	NVIDIA GPU с ≥8 ГБ VRAM	Полная генерация кода PyTorch/GPU, автоустановка torch при необходимости
Ограниченный	NVIDIA <8 ГБ или Apple MPS	Облегчённые эксперименты (<1M параметров, ≤20 эпох), предупреждение пользователю
Только CPU	GPU не обнаружен	Только NumPy/sklearn, без импорта torch, предупреждение с рекомендацией удалённого GPU

Аппаратный профиль сохраняется в stage-01/hardware_profile.json и влияет на генерацию кода, импорты песочницы и ограничения промптов.

🧪 Выполнение экспериментов в песочнице

Валидация кода — разбор AST, белый список импортов, запрет файлового ввода-вывода за пределами песочницы
Контроль вычислительного бюджета — временной бюджет (настраиваемый, по умолчанию 600 с) внедряется в промпт генерации кода; LLM обязана проектировать эксперименты, укладывающиеся в таймаут песочницы
Обвязка эксперимента — неизменяемый experiment_harness.py внедряется в песочницу с временным ограничителем should_stop(), отклонением NaN/Inf в report_metric() и записью результатов finalize() (вдохновлено паттерном неизменяемой оценки karpathy/autoresearch)
Структурированный вывод — эксперименты создают results.json с типизированными метриками (не просто разбор stdout)
Умный разбор метрик — фильтрация логовых строк из метрик с помощью определения ключевых слов (is_metric_name())
Быстрый отказ при NaN/расхождении — NaN/Inf фильтруются из метрик; расходящаяся функция потерь (>100) обнаруживается и помечается
Контроль сходимости — сгенерированный код должен включать критерии ранней остановки, а не фиксированное число итераций
Обнаружение ошибок времени выполнения — NaN/Inf в метриках и предупреждения stderr (деление на ноль, переполнение) обнаруживаются автоматически
Самовосстанавливающееся исправление — ошибки времени выполнения передаются LLM с целенаправленной диагностикой для устранения первопричин (а не маскировки через try/except)
Итеративное улучшение — Этап 13 анализирует результаты и перезапускает с улучшенным кодом/параметрами (до 10 итераций с учётом таймаутов в промптах)
Захват частичных результатов — эксперименты с истёкшим таймаутом, но захваченными метриками получают статус "partial" вместо "failed", сохраняя полезные данные
Согласованность темы и эксперимента — LLM-проверка после генерации обеспечивает, что код эксперимента действительно тестирует заявленную исследовательскую тему

📝 Написание статей конференционного уровня

Конвейер написания ориентирован на стандарты NeurIPS/ICML/ICLR (9+ страниц, 5 000–6 500 слов):

Обеспечение целостности данных — написание статьи полностью блокируется, когда эксперименты не дают метрик (предотвращение фабрикации результатов LLM); инструкции против фабрикации внедряются в промпты черновика и ревизии
Промпты конференционного уровня — системные промпты включают ключевые принципы из анализа принятых статей: новизна, нарратив, сильные базовые модели, абляции, честность, воспроизводимость; частые причины отклонения помечены
Рекомендации по названию и подаче — сигнализация новизны, тест на запоминаемость, 5-предложенная структура аннотации, обнаружение шаблонных названий с перегенерацией
Посекционное написание — 3 последовательных вызова LLM (Введение+Обзор → Метод+Эксперименты → Результаты+Заключение) для предотвращения обрезки вывода
Целевые объёмы по секциям — Аннотация (150–250), Введение (800–1000), Обзор литературы (600–800), Метод (1000–1500), Эксперименты (800–1200), Результаты (600–800), Дискуссия (400–600)
Контроль объёма ревизии — если ревизированная статья короче черновика, автоматический повтор с усиленным контролем; откат к черновику с аннотациями при необходимости
Подавление оговорок — ограничение «due to computational constraints» максимум 1 вхождением; промпты ревизии активно удаляют повторяющиеся оговорки
Статистическая строгость — доверительные интервалы, p-значения и размеры эффекта обязательны в таблицах результатов; некорректные абляции помечаются и исключаются из утверждений
Рецензирование по конференционной рубрике — рецензенты оценивают по шкале 1–10 согласно рубрике NeurIPS/ICML (новизна, базовые модели, абляции, утверждения vs доказательства, ограничения)

📐 Переключение конференционных шаблонов

export:
  target_conference: "neurips_2025"   # или "iclr_2026" или "icml_2026"

Конференция	Пакет стилей	Колонки
NeurIPS 2025	`neurips_2025`	1
ICLR 2026	`iclr2026_conference`	1
ICML 2026	`icml2026`	2
NeurIPS 2024	`neurips_2024`	1
ICLR 2025	`iclr2025_conference`	1
ICML 2025	`icml2025`	2

Конвертер Markdown → LaTeX обрабатывает: заголовки секций (с дедупликацией автонумерации), встроенную/выносную математику, жирный/курсивный текст, списки, таблицы (с \caption/\label), рисунки (\includegraphics), блоки кода (поддержка Unicode), перекрёстные ссылки и ссылки \cite{}.

🚦 Контрольные этапы

Контроль	Этап	При отклонении → откат к
Скрининг литературы	5	Повторный сбор литературы (Этап 4)
Проектирование экспериментов	9	Перегенерация гипотез (Этап 8)
Контроль качества	20	Переписывание статьи с плана (Этап 16)

Используйте --auto-approve для пропуска всех контрольных этапов или настройте конкретные этапы в security.hitl_required_stages.

⚙️ Справочник по конфигурации

Нажмите для раскрытия полного справочника по конфигурации

# === Проект ===
project:
  name: "my-research"              # Идентификатор проекта
  mode: "docs-first"               # docs-first | semi-auto | full-auto

# === Исследование ===
research:
  topic: "..."                     # Тема исследования (обязательно)
  domains: ["ml", "nlp"]           # Предметные области для поиска литературы
  daily_paper_count: 8             # Целевое число статей на поисковый запрос
  quality_threshold: 4.0           # Минимальный балл качества статей

# === Среда выполнения ===
runtime:
  timezone: "America/New_York"     # Для временных меток
  max_parallel_tasks: 3            # Лимит параллельных экспериментов
  approval_timeout_hours: 12       # Таймаут контрольного этапа
  retry_limit: 2                   # Число повторных попыток при сбое этапа

# === LLM ===
llm:
  provider: "openai-compatible"    # Тип провайдера
  base_url: "https://..."          # Конечная точка API (обязательно)
  api_key_env: "OPENAI_API_KEY"    # Переменная окружения для API-ключа (обязательно)
  api_key: ""                      # Или укажите ключ здесь напрямую
  primary_model: "gpt-4o"          # Основная модель
  fallback_models: ["gpt-4o-mini"] # Резервная цепочка
  s2_api_key: ""                   # API-ключ Semantic Scholar (опционально, повышенные лимиты)

# === Эксперименты ===
experiment:
  mode: "sandbox"                  # simulated | sandbox | docker | ssh_remote
  time_budget_sec: 600             # Макс. время выполнения за запуск (по умолчанию: 600 с)
  max_iterations: 10               # Макс. число итераций оптимизации
  metric_key: "val_loss"           # Имя основной метрики
  metric_direction: "minimize"     # minimize | maximize
  sandbox:
    python_path: ".venv/bin/python"
    gpu_required: false
    allowed_imports: [math, random, json, csv, numpy, torch, sklearn]
    max_memory_mb: 4096
  docker:
    image: "researchclaw/experiment:latest"
    network_policy: "setup_only"   # none | setup_only | pip_only | full
    gpu_enabled: true
    memory_limit_mb: 8192
    auto_install_deps: true        # Автоопределение импортов → requirements.txt
  ssh_remote:
    host: ""                       # Имя хоста GPU-сервера
    gpu_ids: []                    # Доступные идентификаторы GPU
    remote_workdir: "/tmp/researchclaw_experiments"

# === Экспорт ===
export:
  target_conference: "neurips_2025"  # neurips_2025 | iclr_2026 | icml_2026
  authors: "Anonymous"
  bib_file: "references"

# === Промпты ===
prompts:
  custom_file: ""                  # Путь к пользовательскому YAML промптов (пусто = по умолчанию)

# === Безопасность ===
security:
  hitl_required_stages: [5, 9, 20] # Этапы, требующие подтверждения человека
  allow_publish_without_approval: false
  redact_sensitive_logs: true

# === База знаний ===
knowledge_base:
  backend: "markdown"              # markdown | obsidian
  root: "docs/kb"

# === Уведомления ===
notifications:
  channel: "console"               # console | discord | slack
  target: ""

# === Мост OpenClaw ===
openclaw_bridge:
  use_cron: false                  # Запуск исследований по расписанию
  use_message: false               # Уведомления о прогрессе
  use_memory: false                # Межсессионное сохранение знаний
  use_sessions_spawn: false        # Параллельные подсессии
  use_web_fetch: false             # Веб-поиск в реальном времени
  use_browser: false               # Сбор статей через браузер

🙏 Благодарности

Вдохновлено проектами:

🔬 AI Scientist (Sakana AI) — Пионер автоматизированных исследований
🧠 AutoResearch (Andrej Karpathy) — Сквозная автоматизация исследований
🌐 FARS (Analemma) — Полностью автоматизированная исследовательская система

📄 Лицензия

MIT — подробности в LICENSE.

_{Создано с 🦞 командой AutoResearchClaw}

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

Расскажите идею. Получите статью. Полностью автономно.

⚡ Одной строкой

🤔 Что это такое?

🎯 Попробуйте

🧠 Чем он отличается

🔄 Цикл принятия решений PIVOT / REFINE

🤖 Мультиагентная дискуссия

🧬 Эволюция: самообучение между запусками

📚 База знаний

🛡️ Сторожевой модуль Sentinel

🦞 Интеграция с OpenClaw

🚀 Использование с OpenClaw (рекомендуется)

🔌 Мост OpenClaw (продвинутое использование)

🛠️ Другие способы запуска

🔬 Конвейер: 23 этапа, 8 фаз

🚀 Быстрый старт

Предварительные требования

Установка

Настройка

Запуск

✨ Ключевые возможности

📚 Мультиисточниковый поиск литературы

🔍 Верификация цитирования (Этап 23)

🖥️ Аппаратно-адаптивное выполнение

🧪 Выполнение экспериментов в песочнице

📝 Написание статей конференционного уровня

📐 Переключение конференционных шаблонов

🚦 Контрольные этапы

⚙️ Справочник по конфигурации

🙏 Благодарности

📄 Лицензия

FilesExpand file tree

README_RU.md

Latest commit

History

README_RU.md

File metadata and controls

Расскажите идею. Получите статью. Полностью автономно.

⚡ Одной строкой

🤔 Что это такое?

🎯 Попробуйте

🧠 Чем он отличается

🔄 Цикл принятия решений PIVOT / REFINE

🤖 Мультиагентная дискуссия

🧬 Эволюция: самообучение между запусками

📚 База знаний

🛡️ Сторожевой модуль Sentinel

🦞 Интеграция с OpenClaw

🚀 Использование с OpenClaw (рекомендуется)

🔌 Мост OpenClaw (продвинутое использование)

🛠️ Другие способы запуска

🔬 Конвейер: 23 этапа, 8 фаз

🚀 Быстрый старт

Предварительные требования

Установка

Настройка

Запуск

✨ Ключевые возможности

📚 Мультиисточниковый поиск литературы

🔍 Верификация цитирования (Этап 23)

🖥️ Аппаратно-адаптивное выполнение

🧪 Выполнение экспериментов в песочнице

📝 Написание статей конференционного уровня

📐 Переключение конференционных шаблонов

🚦 Контрольные этапы

⚙️ Справочник по конфигурации

🙏 Благодарности

📄 Лицензия